ECEF坐标下多传感器动态偏差估计与序惯卡尔曼滤波算法

本文主要探讨了多传感器组网系统中的空间配准算法,针对传统球极投影方法在处理远距离传感器时存在的精度问题,研究者采用了地心地固(ECEF)坐标系作为新的配准框架。他们提出了一种以其中一个传感器作为融合中心的动态偏差估计模型,该模型能够有效应对长距离传感器间产生的较大偏差。 在配准过程中,论文强调了两种主要的偏差来源：量测偏差和传感器系统偏差。量测偏差源于传感器的测量误差，如方位角、高低角和斜距的不准确度，这些属于随机误差。而传感器系统偏差则包括坐标转换误差和传感器本身的物理位置不确定性，是非随机误差，如果不进行修正，可能会影响系统的整体性能并导致假目标的出现。 针对实时动态系统的需求，论文指出传统的最小二乘法和广义最小二乘法在处理动态系统偏差估计时存在局限性，不能满足实时性要求。因此，作者提出了采用序惯卡尔曼滤波算法来解决这个问题。序惯卡尔曼滤波是一种在估计系统状态时结合历史观测数据和预测模型的优化算法，其优点在于能够处理噪声数据，并能适应系统动态变化，这在动态配准中显得尤为重要。 仿真试验部分展示了这种新型算法的有效性，通过对比实验结果，证明了该模型和序惯卡尔曼滤波算法能够有效地进行多传感器的动态偏差估计，提高了配准精度和系统的实时响应能力。这对于多传感器网络的应用，如遥感、导航或环境监测等领域具有实际意义。 本论文的研究成果对于提升多传感器组网系统空间配准的精度和效率具有创新价值，特别是在处理大规模、分布式且动态变化的系统中，序惯卡尔曼滤波算法的应用显示出显著的优势。